Ensembel Penggalak (Boosting Ensemble)
Penggalakan (boosting) ialah kaedah ensembel yang melatih "pembelajar lemah" (weak learners) secara berurutan dan menggabungkannya menjadi "peramal kuat" (strong predictor) dengan menumpukan pada sampel yang salah dikelaskan oleh model sebelumnya. Setiap pembelajar lemah baharu diberi pemberat mengikut kesukaran tugas latihannya, dan ramalan akhir dibuat melalui pengundian berpemberat. Dipelopori oleh Schapire (1990) dan diperhalusi dalam AdaBoost (Freund & Schapire, 1997), penggalakan menukarkan pembelajar lemah (hampir tidak lebih baik daripada rawak) menjadi pembelajar kuat melalui pemberatan semula secara berurutan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. DOI: 10.1006/jcss.1997.1504 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/ms/ensemble-learning/boosting-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoostPembelajaran Mesin↔ compare
- Ensembel BaggingPembelajaran Ensemble↔ compare
- Peningkatan CerunPembelajaran Mesin↔ compare
- Undian majoritiPembelajaran Ensemble↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →